


Les startups testant GPT-4 disent que sa puissance est incroyable
OpenAI a récemment publié son modèle de génération de texte GPT-4, qui a attiré une large attention. Mais la société a déclaré que les développeurs ne peuvent pas encore créer de produits ou de services car l'API est toujours sur la liste d'attente.
Cela signifie que seuls quelques utilisateurs ont la possibilité d'utiliser ce dernier modèle de langage à grande échelle d'OpenAI. L’une de ces sociétés est la startup d’intelligence artificielle Miðeind ehf, qui était l’une des six sociétés sélectionnées pour tester GPT-4.
Une équipe de 12 personnes de l'entreprise souhaitait former GPT-4 en islandais, et ils sont devenus l'un des premiers testeurs du produit le plus populaire de la Silicon Valley après s'être rendu dans la Bay Area pour tester GPT-4 en mai dernier. Le PDG de Miðeind rejoint une délégation gouvernementale islandaise pour explorer comment la technologie peut être utilisée pour contribuer à préserver la langue du pays.
Le PDG de Miðeind discute avec Sam Altman d'OpenAI de la façon dont GPT-4 peut adopter et développer des langues à faibles ressources comme l'islandais. Ces langages constituent un défi pour l'application mondiale de grands langages de modèles, car beaucoup moins de données sont collectées pour entraîner les modèles.
L'équipe de Miðeind propose ses réflexions sur la façon dont GPT-4 peut être amélioré, l'intelligence artificielle utilisée pour préserver le calendrier perpétuel islandais et comment GPT-4 a créé un nouveau terme très intéressant pour les chats.
Développement passionnant
Cette équipe de Miðeind a été chargée de déterminer si GPT-4 pouvait être amélioré en termes d'applications et de traitement linguistiques en l'alimentant avec des données d'apprentissage par renforcement islandais (la phase après la formation initiale).
Pétur Orri Ragnarsson, l'un des membres de l'équipe d'apprentissage automatique de Miðeind, a déclaré que les résultats constituaient une nette amélioration par rapport à GPT-3.5, mais que le modèle n'est toujours pas parfait en ce qui concerne l'utilisation de l'islandais. Il a déclaré : "Le texte qu'il génère en islandais a tendance à être compréhensible, mais comporte encore quelques erreurs grammaticales."
Ragnarsson a déclaré qu'il pouvait constater d'énormes améliorations dans l'inférence générale avec GPT-3.5.
Il a déclaré : « La chose la plus excitante est que vous pouvez lui demander de faire quelque chose et expliquer pourquoi cela donne ce résultat. GPT-3.5 peut le faire, GPT-4 est meilleur car il donne aux gens le sentiment que l'explication est plus. raisonnable ou crédible. Une chose que les gens essaient généralement est de demander à GPT-4 de faire quelque chose et d'expliquer chaque étape du processus - il le fait très bien
"L'explicabilité" est la génération de développement. C'est un gros problème pour les gens en intelligence artificielle. J'ai essayé de résoudre car le fonctionnement des grands modèles de langage signifie que la sortie est générée dans une "boîte noire". Cela signifie que même les développeurs qui construisent GPT-4 ne savent pas comment il répond aux questions, ce qui signifie qu'il est difficile de faire en sorte que ces modèles montrent comment ils fonctionnent.
Si l’IA générative doit être largement utilisée dans des secteurs tels que la médecine et le droit, les personnes travaillant dans ces domaines doivent pouvoir faire confiance aux résultats du modèle.
Pensée d'ordre supérieur
Une autre caractéristique du GPT-4 qui a impressionné Ragnarsson était sa capacité à produire des réponses plus nettes que les modèles précédents. Il a donné un exemple de son utilisation pour effectuer une analyse des sentiments sur un morceau de texte, avec des notes allant de neutre à positive sur une échelle de 1 à 5.
Ragnarsson a déclaré : "J'ai saisi une phrase que je pensais assez neutre, c'est-à-dire qu'un client a demandé quelque chose au service client." Il a été surpris de constater que GPT-4 a évalué cette phrase légèrement positivement.
Il a déclaré : « J'ai demandé : « Veuillez expliquer. » La réponse que j'ai obtenue a été très surprenante. Elle disait : « Bien que la phrase elle-même soit neutre, l'action envisagée améliorera leur vie, donc dans l'ensemble, cette phrase est légèrement. positif. " Il estime que cela montre que GPT-4 a appris à aller au-delà du " sens superficiel " du texte.
Miðeind COO Linda Heimisdottir a déclaré que ces capacités de GPT-4 sont particulièrement impressionnantes car, à sa connaissance, le modèle n'a pas été spécifiquement formé pour l'analyse des sentiments.
Elle a déclaré : « C’est incroyable de voir un modèle comme celui-ci faire quelque chose que les chercheurs font depuis des années, et pour lequel il n’a pas été spécifiquement formé. C’est vraiment fascinant de voir les résultats et ce que les gens pensent. donne aux gens le sentiment que GPT-4 a un énorme potentiel d'application. en un mot.
Heimisdottir a déclaré qu'elle avait demandé à GPT-4 de raconter une histoire sur les chats, et GPT-4 a donné un mot islandais, "kattafræðilega", qui est un mot composé inventé par GPT-4, et sa signification approximative est "chat" ( chat).
Elle a expliqué : "La première partie 'katta' signifie 'chat' mais la deuxième partie 'fræðilega' signifie 'lié à la théorie'. GPT-4 décrit le chat comme 'kattafræðilega duglegur'. duglegur est un mot islandais signifiant diligent ou un travail acharné
Quand j'ai demandé à GPT-4 d'expliquer ce que cela signifiait, il m'a répondu : « kattafræðilega duglegur » signifie que ce chat est particulièrement travailleur. En d’autres termes, il est doué pour gratter, enquêter, chasser les insectes, chercher de la nourriture, et il est plein d’énergie et d’intérêt pour son environnement. C'est très bien d'être un chat. »
Miðeind estime : « Pour que les grands modèles linguistiques atteignent des performances réellement élevées dans des langues moins couramment utilisées, de bons ensembles de données multilingues doivent être inclus dans la formation initiale, et nous espérons entrer dans la pré-formation comme prochaine étape. «
Des recherches comme celle-ci sont essentielles pour garantir que la prochaine génération d’IA ne soit pas seulement une avancée innovante davantage centrée sur le monde anglophone, car les grandes entreprises technologiques de la Silicon Valley dominent déjà le domaine des grands modèles linguistiques. OpenAI a choisi Miðeind Être l'un des premiers testeurs de GPT-4 montre au moins que l'entreprise a une vision globale de l'intelligence artificielle générative, même si elle est motivée par des raisons commerciales.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine

Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.

Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte

Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.

L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes

L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.

Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S

Selon les informations de ce site Web du 5 juillet, GlobalFoundries a publié un communiqué de presse le 1er juillet de cette année, annonçant l'acquisition de la technologie de nitrure de gallium (GaN) et du portefeuille de propriété intellectuelle de Tagore Technology, dans l'espoir d'élargir sa part de marché dans l'automobile et Internet. des objets et des domaines d'application des centres de données d'intelligence artificielle pour explorer une efficacité plus élevée et de meilleures performances. Alors que des technologies telles que l’intelligence artificielle générative (GenerativeAI) continuent de se développer dans le monde numérique, le nitrure de gallium (GaN) est devenu une solution clé pour une gestion durable et efficace de l’énergie, notamment dans les centres de données. Ce site Web citait l'annonce officielle selon laquelle, lors de cette acquisition, l'équipe d'ingénierie de Tagore Technology rejoindrait GF pour développer davantage la technologie du nitrure de gallium. g
